这是一套基于YOLO算法与DeepSeek大模型的开源农作物病害检测系统，采用前后端分离架构，支持图片、视频、摄像头流等多种输入方式，3-5秒完成病害识别与位置标注。适用于农业生产者、科研人员及农业园区，可私有化部署，无授权费用，无需周末加价，提供智能问答与农资管理闭环。
Tags:
https://www.gitcc.com/eric.w/okapi
为自动化病害识别提供了可能。本项目利用YOLO算法实现实时目标检测，结合DeepSeek AI模型辅助开发，构建前后端分离的全栈架构，目标是提供一个高效、精准的病害识别工具，帮助农业生产者和科研人员及时发现和应对作物病害，降低损失，提高生产效率
一、项目核心功能
这套智能农作物病害检测系统围绕农业生产的实际需求，打造了覆盖多环节的完整功能体系：
用户管理：支持注册登录、分级权限管控，保障不同角色用户的数据安全与功能适配。 数据可视化大屏：集中展示全平台的病害发生统计、环境参数、生产进度等核心数据，通过ECharts生成直观的分析图表。 智能温室与环境监测：实时采集温湿度、光照等环境参数，支持阈值预警与远程调控，为作物生长提供最优环境支撑。 多模态病虫害检测：支持单张图片、批量图片、视频文件、实时摄像头流四种输入方式，3-5秒即可完成病害识别，标注病害位置与置信度，自动留存检测历史记录。 农资全流程管理：覆盖农资采购订单流程、库存出入库跟踪，实现农资使用的数字化追溯。 AI智能对话：依托DeepSeek大模型，为用户提供病害防治、种植管理相关的智能问答与针对性指导建议。
二、完整技术架构
系统采用前后端分离+微服务解耦的分布式架构，各模块独立部署、互不干扰，便于后续迭代扩展：
三层分层架构 前端展示层：基于Vue3 + Vite + Element Plus构建响应式界面，通过Axios完成前后端交互，搭配ECharts实现数据可视化，使用WebSocket接收实时检测与环境数据推送。 业务逻辑层：以Spring Boot为核心框架，承载用户管理、订单处理、农资库存、温室管控等全量业务逻辑，对接MySQL/MariaDB完成持久化数据存储。 AI推理层：基于Flask搭建轻量级AI服务，依托Ultralytics YOLO目标检测模型完成病害识别，结合OpenCV实现图像预处理、视频帧提取等操作，DeepSeek大模型负责生成专业的防治建议与智能问答内容。 架构优势：业务后端、AI推理服务、前端三者完全解耦，支持独立开发、单独扩容，可适配不同规模的农业场景私有化部署需求。
三、典型应用场景
智慧农业生产场景：农户可通过手机/电脑上传作物照片，或在田间接入摄像头实时巡检，快速识别病害类型，第一时间获取用药与防治方案，减少人工经验误判，降低病害扩散带来的产量损失。 农业科研场景：为植保科研人员提供自动化的病害样本标注、批量检测、数据统计分析工具，大幅提升病害调研、品种抗性试验的数据采集效率，替代传统人工逐一排查的低效工作模式。 设施农业园区场景：联动智能温室的传感器与监控设备，实现环境参数实时监测+病害自动预警的一体化管控，帮助园区管理者实现无人化的精准种植管理。 农资服务场景：打通病害识别与农资采购的链路，根据检测结果自动推荐对应防治农资，同步完成库存跟踪与订单管理，形成植保服务的闭环。
四、项目核心价值
效率与精度双提升：解决传统人工病害检测依赖经验、效率低、主观性强的痛点，AI识别速度可达秒级，支持30+类常见作物病害的精准识别，大幅降低漏判误判概率。 全栈低成本落地：采用主流开源技术栈搭建，微服务架构适配不同规模的部署需求，农业主体无需高额投入即可搭建专属的智能化病害检测平台。 全流程数字化赋能：从病害识别、环境调控到农资管理，覆盖农业生产多个关键环节，帮助生产者减少农药滥用、降低生产损耗，最终实现增产增收，推动绿色智慧农业的落地普及
https://www.gitcc.com/eric.w/okapi
为自动化病害识别提供了可能。本项目利用YOLO算法实现实时目标检测，结合DeepSeek AI模型辅助开发，构建前后端分离的全栈架构，目标是提供一个高效、精准的病害识别工具，帮助农业生产者和科研人员及时发现和应对作物病害，降低损失，提高生产效率
没有评论:
发表评论